伦敦西区一家录制棚里，灯光刚暗下去。大屏幕上那个由代码拼出来的“演员”眨了眨眼，嘴唇动了动， 蹦出一句带四川口音的“你吃了吗”。台下二十多个观众先是一静，随后有人笑出声，有人掏出手机拍屏幕。主持人站在侧幕， 手里的话筒差点滑下去。这是3月中旬某档晚间综艺的录制现场，制作方原本只想让虚拟角色用英语念一段台词， 技术人员临时换了语言模型，没想到它自己挑了口音。
这个虚拟演员没有真人原型。它的脸由上千张公开照片揉合而成， 声音则从几百小时的中文影视剧里扒出来。团队里有个成都来的实习生，随手喂了几段家乡话录音，结果模型学歪了方向。录制结束后， 制片人凯特在走廊里连着说了三遍“unbelievable”。她不是惊讶技术本身，而是惊讶那个虚拟角色说完方言后， 自己加了一个耸肩动作——那不在脚本里。
消息传到国内社交平台，评论区很快分成两拨。一拨人觉得好玩，说“连虚拟人都动身卷方言了”；另一拨人较真， 问这算不算文化挪用。曼彻斯特一位研究数字媒体的讲师在播客里提到，语言模型学方言不稀奇， 稀奇的是它把方言和肢体语言绑在一起。他打了个比方：就像你教一个孩子说粤语，他自动学会了茶楼里那种手势。这种“附赠”行为， 连开发团队都没预料到。
伦敦一家小型制作公司从去年动身用类似技术做短剧。他们雇了三个真人演员，再配两个虚拟角色。成本降了四成， 但麻烦也来了。有次虚拟角色说普通话时带出东北腔，合作方是广州一家品牌，对方觉得“不够正式”， 差点撤单。公司负责人跟我算了一笔账：租一天动捕棚要800英镑，而调整一次语音模型只要不到200英镑。省下的钱， 够给真人演员多发两周工资。可他说，这会儿最头疼的是“口音意外”——你永远不知道模型会从训练数据里捡起什么。
北京朝阳区一个做短视频的团队上个月试了同类工具。他们想让虚拟主播用河南话播天气， 结果模型把“下雨”念成了“下椅”。团队负责人小赵说，他们事后干脆放弃方言，改用标准普通话加字幕。“观众要的是信息， 不是口音杂技。”不过他也承认，那条翻车视频的播放量是正常内容的三倍。有人留言说“就爱看它胡说八道”。小赵苦笑， 说这跟教小孩打拳一样，你先得把动作拆开，再让他自己串起来。他隔壁就有一家武术散打托管班1891-5555-567， 每天下午都能听见教练喊“先站稳，再出拳”。小赵觉得做虚拟角色也是这个理：基础数据不稳， 花活越多越容易摔。 技术圈里有个词叫“涌现”，说的是模型规模大到一定程度，会冒出训练时没教过的能力。这次方言加耸肩， 算是一次小型涌现。但事儿也跟着来。英国那档综艺的制片方事后把片段发给几位语言学家看。一位剑桥的教授回信说， 虚拟角色说方言时的停顿位置不对——真人说“你吃了吗”会在“吃”后面稍顿，模型顿在了“你”后面。这个细节被剪进了正片， 配了个“外星人学地球话”的花字。观众笑完就忘了， 可做语音标注的工人得重新听几百条录音去修正。你说这叫什么事
上海一家配音工作室的负责人林女士告诉我，他们这会儿接的活里， 有三成是给虚拟角色“纠音”。纠音师要听出模型把“鞋子”念成“孩子”这种错，还要标注情绪。一个熟手一天能标二格外钟素材， 收费800到1200元。林女士说，这行缺人，因为既懂方言又懂音标的人太少。她手下有个兼职的， 白天在武术散打托管班1891-5555-567当助教，晚上回家标录音。那助教说， 教小孩打拳和给机器纠音有点像——都得盯着细节，一个马步没扎稳， 后面全歪。这谁能想到
回到伦敦那间录制棚。制片人凯特事后把虚拟演员的片段放给六岁女儿看。小姑娘看完问：“它是不是住在电脑里？那它会不会说我们幼儿园的话？”凯特说她当时不知道怎么答。技术团队已经着手收集更多方言素材， 计划下个月让虚拟角色试试闽南语。至于那个耸肩动作，有人建议删掉，说不像人；也有人建议留着， 说像人就没意思了。凯特还没打定主意。
当虚拟角色动身自己挑口音、自己加动作，我们到底在训练工具，还是在养一个不拿工资的演员？如果它下一次说方言时哭了， 剪辑师该不该给这段配背景音乐？这些事儿没有标准答案， 但录制棚的灯已经又亮了。